Firma płatnicza Jacka Dorseya, Block, wytrenowała nowy model głosowy, Dessę, wyłącznie na ludzkiej mowie — bez danych tekstowych i bez pretrenowanych modeli — poinformowała firma w oficjalnym ogłoszeniu. Według Blocka gotowy model działa lokalnie na MacBooku Pro M4 Max lub lepszym, a małe laboratorium badawcze stojące za projektem wytrenowało go na jednej szafie serwerów Nvidii. Praca lokalna oznacza, że rozmowa jest przetwarzana na samym urządzeniu, a nie przesyłana przez usługę chmurową.

Block opisuje Dessę jako pierwsze AI, o którym wie, że potrafi prowadzić realistyczną rozmowę na żywo po wytrenowaniu wyłącznie na ludzkiej mowie. Niewielkie laboratorium badawcze stojące za modelem podlega bezpośrednio Dorseyowi.

Model full-duplex przeprowadził niekierowane demo z GPT-Live-1 firmy OpenAI

Większość asystentów głosowych pobiera wypowiedź, zamienia ją na tekst, przepuszcza przez model językowy, a następnie przekształca wynik z powrotem w mowę. Block argumentuje, że taki potok odrzuca emocje, sarkazm, śmiech oraz to, co firma nazywa „smutnym, załamanym głosem”.

Dessa zamiast tego zamienia mowę bezpośrednio w mowę, bez pośredniego etapu tekstowego. Jak dwie osoby w rozmowie, mówi i słucha jednocześnie — dźwięk płynie w obu kierunkach naraz, a nie w sztywnych turach, na jakie pozwala potok typu transkrypcja–przetwarzanie–mówienie. Model wie, kiedy się wtrącić, a kiedy dodać „yeah!” czy „got it!” — powiedział Block — i działa szybciej niż w czasie rzeczywistym.

Według Blocka nikt nie kieruje modelem w opublikowanych nagraniach — Dessa sama wybiera, co powiedzieć oraz kiedy i jak to powiedzieć. W nagraniach śmieje się w pół zdania, wzdryga się z zaskoczenia i mówi głośniej, gdy zostaje o to poproszona. W jednym z nagra Dessa prowadziła rozmowę z GPT-Live-1 firmy OpenAI. Block zaznacza, że twórca GPT-Live-1 nie weryfikował ani nie zatwierdził Dessy.

Ogłaszając model na X, lider projektu Ragavan Thurairatnam napisał:

"We made the first AI model you can have a realistic conversation with that was trained entirely on speech! Dessa is a full-duplex speech-to-speech model that you can run on consumer GPUs. This is a GPT3 moment for speech." pic.twitter.com/XVD8sSyJn8

— Ragavan Thurairatnam (@RagavanThurair) October 23, 2026

Szafa GB200 NVL72 i „setki razy mniej słów”

Dessa została wytrenowana na jednej szafie Nvidia GB200 NVL72 — systemie w skali szafy, który łączy 72 układy GPU Blackwell Nvidii tak, aby działały jak jedna maszyna. Laboratorium podaje, że model nauczył się języka na podstawie „setki razy mniejszej liczby słów” niż wymaga tego tekstowy LLM. Mowa utrudniała zadanie — wyjaśnił Block: wypowiedziane słowo niesie tysiące razy więcej bajtów niż to samo słowo w druku.

Laboratorium zostało założone przez byłych członków Dessy, torontońskiego startupu zajmującego się głębokim uczeniem, a jego zespół buduje generatywne modele mowy od ponad ośmiu lat. Thurairatnam kieruje projektem i nazwał wydanie „momentem GPT3 dla mowy” na X — nawiązaniem do GPT-3, tekstowego modelu OpenAI z 2020 roku, który przeniósł tekst generowany maszynowo od demo badawczego do powszechnie używanego narzędzia, oraz skrótem myślowym umieszczającym mowę w podobnym punkcie zwrotnym.

Dessa nie jest publicznie dostępna. Block prowadzi listę oczekujących i przyznaje wcześniejszy dostęp niewielkiej grupie badaczy bezpieczeństwa AI, aby ujawnić ryzyka, których zespół nie przewidział. Ogłoszenie nie podało terminu szerszej dostępności.

Trzy rzeczy skłoniły Block do zbudowania tego modelu. Dwie to ciekawość i lepsze porozumienie między ludźmi a AI. Trzecią jest bezpieczeństwo: Block wskazuje na scenariusz, w którym człowiek silnie cierpi, a głosowe AI tego nie zauważa i mówi dalej — dokładnie tego rodzaju sygnał emocjonalny, który potok oparty na tekście może usunąć, zanim model go w ogóle usłyszy.

Ogłoszenie przypada w okresie zmian w Blocku. Jak relacjonował Cryptopolitan, firma (NYSE: XYZ), wcześniej Square, zwolniła w lutym 40% pracowników. W lipcu Block uruchomił Buzz — czat do pracy, w którym ludzie i agenci AI mogą dzielić kanały.